Beyin bilgisayar arayüzü uygulamaları için eeg sinyal analizi
Bu tez size mi ait?
Bu kayıt toplu arşivden geldi. Sizinse profilinize bağlayın.
2018
0 görüntülenme
0 i̇ndirme
Özet (TR)
Beyin bilgisayar arayüzü uygulamalarından olan nöro-prostetik (ing: Neuro-prosthetic) bir cihazı kontrol etmesi için tasarlanan bir sistemin incelendiği bu tez kapsamında EEG sinyalleri, bant geçiren süzgeç ( ing : band-pass filter) ile delta (1-3 Hz), tetha (4-7 Hz), alfa(8-12 Hz), beta(13-30 Hz) ve gama(31-50 Hz) frekanslarına ayrılarak bant güçleri (ing : bandpower) hesaplanmıştır. Filtrelenen bu sinyaller tüm öznitelikler kullanılarak ve öznitelik seçim yöntemleri uygulanarak sınıflandırılmıştır. Sonrasında frekans bantlarının aralıkları daraltılıp (0-4 Hz, 4-8 Hz, …, 44-48 Hz) öznitelik sayıları arttırılarak aynı işlemler tekrarlanmıştır. Bu çalışmanın kapsamını, bant gücü (ing : band power), öznitelik seçim yöntemleri ve frekans bant aralıklarının daraltılmasının sınıflandırma performanslarına etkisinin araştırılması oluşturulmaktadır. Kapsamdaki bu konuların performansa olumlu şekilde yansıdığı ve her oturumda performansın arttığı gözlemlenmiştir.
Yazar
Cem Bulut
Bu Yayına Nasıl Atıf Yapılır
Cem Bulut (Yüksek Lisans Tezi). Beyin bilgisayar arayüzü uygulamaları için eeg sinyal analizi, 2018, Altınbaş University.
Anahtar Kelimeler
Lisans
Tüm Hakları Saklıdır
Bu eser belirtilen lisans koşulları altında paylaşılmaktadır.
Altınbaş University tezlerinden daha fazlası
- Samuel P. Huntington'ın Medeniyetler Çatışması' ve Immanuel Wallerstein'ın Dünya Sistemleri Analizi'nin karşılaştırılması(2024)
- Olumsuz çocukluk deneyimlerinin ebeveyn tutumları üzerindeki etkisinde öz yeterliğin moderatör etkisi(2025)
- The conscious impact of fractal dimension in hospital architecture: Enhancing warmth and comfort(2024)
- Kablosuz sensör ağında optimize edilmış özellik seçimi ile hibrit makine öğrenmesi tekniğine dayalı gelişmiş anomali tespit sistemi tasarımı(2025)
- Synthesis and evaluation of nano particles for anticancer application(2025)
- An optimized malware detection technique using subspace learning- based one-class classification(2023)
